两阶段预训练

重新审视统一多模态模型的视觉生成：面向高效纯图像预训练的掩码建模

Rethinking UMM Visual Generation: Masked Modeling for Efficient Image-Only Pre-training

把 UMM 的视觉生成部分拆成「纯图像掩码预训练 + 少量图文对指令对齐」两阶段，用 1000 H800 小时从零训出 3.6B 生成器，为视觉研究者提供了一个低成本复现统一多模态生成能力的训练配方。